本文分享自華為雲社群《MindSpore A2C 強化學習》，作者：irrational。
Advantage Actor-Critic (A2C)演算法是一個強化學習演算法，它結合了策略梯度（Actor）和價值函式（Critic）的方法。A2C演算法在許多強化學習任務中表現優越，因為它能夠利用價值函式來減少策略梯度的方差，同時直接最佳化策略。
A2C演算法的核心思想
- Actor：根據當前策略選擇動作。
- Critic：評估一個狀態-動作對的值（通常是使用狀態值函式或動作值函式）。
- 優勢函式（Advantage Function）：用來衡量某個動作相對於平均水平的好壞，通常定義為A(s,a)=Q(s,a)−V(s)。
A2C演算法的虛擬碼
以下是A2C演算法的虛擬碼：
Initialize policy network (actor) π with parameters θ Initialize value network (critic) V with parameters w Initialize learning rates α_θ for policy network and α_w for value network for each episode do Initialize state s while state s is not terminal do # Actor: select action a according to the current policy π(a|s; θ) a = select_action(s, θ) # Execute action a in the environment, observe reward r and next state s' r, s' = environment.step(a) # Critic: compute the value of the current state V(s; w) V_s = V(s, w) # Critic: compute the value of the next state V(s'; w) V_s_prime = V(s', w) # Compute the TD error (δ) δ = r + γ * V_s_prime - V_s # Critic: update the value network parameters w w = w + α_w * δ * ∇_w V(s; w) # Compute the advantage function A(s, a) A = δ # Actor: update the policy network parameters θ θ = θ + α_θ * A * ∇_θ log π(a|s; θ) # Move to the next state s = s' end while end for
解釋
- 初始化：初始化策略網路（Actor）和價值網路（Critic）的引數，以及它們的學習率。
- 迴圈每個Episode：在每個Episode開始時，初始化狀態。
- 選擇動作：根據當前策略從Actor中選擇動作。
- 執行動作：在環境中執行動作，並觀察獎勵和下一個狀態。
- 計算狀態值：用Critic評估當前狀態和下一個狀態的值。
- 計算TD誤差：計算時序差分誤差（Temporal Difference Error），它是當前獎勵加上下一個狀態的折扣值與當前狀態值的差。
- 更新Critic：根據TD誤差更新價值網路的引數。
- 計算優勢函式：使用TD誤差計算優勢函式。
- 更新Actor：根據優勢函式更新策略網路的引數。
- 更新狀態：移動到下一個狀態，重複上述步驟，直到Episode結束。
這個虛擬碼展示了A2C演算法的核心步驟，實際實現中可能會有更多細節，如使用折扣因子γ、多個並行環境等。
程式碼如下：
import argparse from mindspore import context from mindspore import dtype as mstype from mindspore.communication import init from mindspore_rl.algorithm.a2c import config from mindspore_rl.algorithm.a2c.a2c_session import A2CSession from mindspore_rl.algorithm.a2c.a2c_trainer import A2CTrainer parser = argparse.ArgumentParser(description="MindSpore Reinforcement A2C") parser.add_argument("--episode", type=int, default=10000, help="total episode numbers.") parser.add_argument( "--device_target", type=str, default="CPU", choices=["CPU", "GPU", "Ascend", "Auto"], help="Choose a devioptions.device_targece to run the ac example(Default: Auto).", ) parser.add_argument( "--precision_mode", type=str, default="fp32", choices=["fp32", "fp16"], help="Precision mode", ) parser.add_argument( "--env_yaml", type=str, default="../env_yaml/CartPole-v0.yaml", help="Choose an environment yaml to update the a2c example(Default: CartPole-v0.yaml).", ) parser.add_argument( "--algo_yaml", type=str, default=None, help="Choose an algo yaml to update the a2c example(Default: None).", ) parser.add_argument( "--enable_distribute", type=bool, default=False, help="Train in distribute mode (Default: False).", ) parser.add_argument( "--worker_num", type=int, default=2, help="Worker num (Default: 2).", ) options, _ = parser.parse_known_args()
首先初始化引數，然後我這裡用cpu執行：options.device_targe = “CPU”
episode=options.episode """Train a2c""" if options.device_target != "Auto": context.set_context(device_target=options.device_target) if context.get_context("device_target") in ["CPU", "GPU"]: context.set_context(enable_graph_kernel=True) context.set_context(mode=context.GRAPH_MODE) compute_type = ( mstype.float32 if options.precision_mode == "fp32" else mstype.float16 ) config.algorithm_config["policy_and_network"]["params"][ "compute_type" ] = compute_type if compute_type == mstype.float16 and options.device_target != "Ascend": raise ValueError("Fp16 mode is supported by Ascend backend.") is_distribte = options.enable_distribute if is_distribte: init() context.set_context(enable_graph_kernel=False) config.deploy_config["worker_num"] = options.worker_num a2c_session = A2CSession(options.env_yaml, options.algo_yaml, is_distribte)
設定上下文管理器
import sys import time from io import StringIO class RealTimeCaptureAndDisplayOutput(object): def __init__(self): self._original_stdout = sys.stdout self._original_stderr = sys.stderr self.captured_output = StringIO() def write(self, text): self._original_stdout.write(text) # 實時列印 self.captured_output.write(text) # 儲存到緩衝區 def flush(self): self._original_stdout.flush() self.captured_output.flush() def __enter__(self): sys.stdout = self sys.stderr = self return self def __exit__(self, exc_type, exc_val, exc_tb): sys.stdout = self._original_stdout sys.stderr = self._original_stderr
episode=10 # dqn_session.run(class_type=DQNTrainer, episode=episode) with RealTimeCaptureAndDisplayOutput() as captured_new: a2c_session.run(class_type=A2CTrainer, episode=episode)
import re import matplotlib.pyplot as plt # 原始輸出 raw_output = captured_new.captured_output.getvalue() # 使用正規表示式從輸出中提取loss和rewards loss_pattern = r"loss=(\d+\.\d+)" reward_pattern = r"running_reward=(\d+\.\d+)" loss_values = [float(match.group(1)) for match in re.finditer(loss_pattern, raw_output)] reward_values = [float(match.group(1)) for match in re.finditer(reward_pattern, raw_output)] # 繪製loss曲線 plt.plot(loss_values, label='Loss') plt.xlabel('Episode') plt.ylabel('Loss') plt.title('Loss Curve') plt.legend() plt.show() # 繪製reward曲線 plt.plot(reward_values, label='Rewards') plt.xlabel('Episode') plt.ylabel('Rewards') plt.title('Rewards Curve') plt.legend() plt.show()
展示結果：
下面我將詳細解釋你提供的 MindSpore A2C 演算法訓練配置引數的含義：
Actor 配置
'actor': { 'number': 1, 'type': mindspore_rl.algorithm.a2c.a2c.A2CActor, 'params': { 'collect_environment': PyFuncWrapper< (_envs): GymEnvironment<> >, 'eval_environment': PyFuncWrapper< (_envs): GymEnvironment<> >, 'replay_buffer': None, 'a2c_net': ActorCriticNet< (common): Dense<input_channels=4, output_channels=128, has_bias=True> (actor): Dense<input_channels=128, output_channels=2, has_bias=True> (critic): Dense<input_channels=128, output_channels=1, has_bias=True> (relu): LeakyReLU<> >}, 'policies': [], 'networks': ['a2c_net'] }
number: Actor 的例項數量，這裡設定為1，表示使用一個 Actor 例項。type: Actor 的型別，這裡使用mindspore_rl.algorithm.a2c.a2c.A2CActor。params: Actor 的引數配置。collect_environment和eval_environment: 使用PyFuncWrapper包裝的GymEnvironment，用於資料收集和評估環境。replay_buffer: 設定為None，表示不使用經驗回放緩衝區。a2c_net: Actor-Critic 網路，包含一個公共層、一個 Actor 層和一個 Critic 層，以及一個 Leaky ReLU 啟用函式。
policies和networks: Actor 關聯的策略和網路，這裡主要是a2c_net。
Learner 配置
'learner': { 'number': 1, 'type': mindspore_rl.algorithm.a2c.a2c.A2CLearner, 'params': { 'gamma': 0.99, 'state_space_dim': 4, 'action_space_dim': 2, 'a2c_net': ActorCriticNet< (common): Dense<input_channels=4, output_channels=128, has_bias=True> (actor): Dense<input_channels=128, output_channels=2, has_bias=True> (critic): Dense<input_channels=128, output_channels=1, has_bias=True> (relu): LeakyReLU<> >, 'a2c_net_train': TrainOneStepCell< (network): Loss< (a2c_net): ActorCriticNet< (common): Dense<input_channels=4, output_channels=128, has_bias=True> (actor): Dense<input_channels=128, output_channels=2, has_bias=True> (critic): Dense<input_channels=128, output_channels=1, has_bias=True> (relu): LeakyReLU<> > (smoothl1_loss): SmoothL1Loss<> > (optimizer): Adam<> (grad_reducer): Identity<> > }, 'networks': ['a2c_net_train', 'a2c_net'] }
number: Learner 的例項數量，這裡設定為1，表示使用一個 Learner 例項。type: Learner 的型別，這裡使用mindspore_rl.algorithm.a2c.a2c.A2CLearner。params: Learner 的引數配置。gamma: 折扣因子，用於未來獎勵的折扣計算。state_space_dim: 狀態空間的維度，這裡為4。action_space_dim: 動作空間的維度，這裡為2。a2c_net: Actor-Critic 網路定義，與 Actor 中相同。a2c_net_train: 用於訓練的網路，包含損失函式（SmoothL1Loss）、最佳化器（Adam）和梯度縮減器（Identity）。
networks: Learner 關聯的網路，包括a2c_net_train和a2c_net。
Policy and Network 配置
'policy_and_network': { 'type': mindspore_rl.algorithm.a2c.a2c.A2CPolicyAndNetwork, 'params': { 'lr': 0.01, 'state_space_dim': 4, 'action_space_dim': 2, 'hidden_size': 128, 'gamma': 0.99, 'compute_type': mindspore.float32, 'environment_config': { 'id': 'CartPole-v0', 'entry_point': 'gym.envs.classic_control:CartPoleEnv', 'reward_threshold': 195.0, 'nondeterministic': False, 'max_episode_steps': 200, '_kwargs': {}, '_env_name': 'CartPole' } } }
type: 策略和網路的型別，這裡使用mindspore_rl.algorithm.a2c.a2c.A2CPolicyAndNetwork。params: 策略和網路的引數配置。lr: 學習率，這裡為0.01。state_space_dim和action_space_dim: 狀態和動作空間的維度。hidden_size: 隱藏層的大小，這裡為128。gamma: 折扣因子。compute_type: 計算型別，這裡為mindspore.float32。environment_config: 環境配置，包括環境 ID、入口、獎勵閾值、最大步數等。
Collect Environment 配置
'collect_environment': { 'number': 1, 'type': mindspore_rl.environment.gym_environment.GymEnvironment, 'wrappers': [mindspore_rl.environment.pyfunc_wrapper.PyFuncWrapper], 'params': { 'GymEnvironment': { 'name': 'CartPole-v0', 'seed': 42 }, 'name': 'CartPole-v0' } }
number: 環境例項數量，這裡為1。type: 環境的型別，這裡使用mindspore_rl.environment.gym_environment.GymEnvironment。wrappers: 環境使用的包裝器，這裡是PyFuncWrapper。params: 環境的引數配置，包括環境名稱CartPole-v0和隨機種子42。
Eval Environment 配置
'eval_environment': { 'number': 1, 'type': mindspore_rl.environment.gym_environment.GymEnvironment, 'wrappers': [mindspore_rl.environment.pyfunc_wrapper.PyFuncWrapper], 'params': { 'GymEnvironment': { 'name': 'CartPole-v0', 'seed': 42 }, 'name': 'CartPole-v0' } }
- 配置與
collect_environment類似，用於評估模型效能。
總結一下，這些配置定義了 Actor-Critic 演算法在 MindSpore 框架中的具體實現，包括 Actor 和 Learner 的設定、策略和網路的引數，以及訓練和評估環境的配置。這個還是比較基礎的。
點選關注，第一時間瞭解華為雲新鮮技術~